[发明专利]一种基于图像识别的猕猴桃叶片病害识别方法

权利要求书

1.一种基于图像识别的猕猴桃叶片病害识别方法，其特征在于：包含一种猕猴桃叶片病害识别深度神经网络训练方法和一种猕猴桃叶片病害深度神经网络识别方法；

所述一种猕猴桃叶片病害深度神经网络识别方法，具体为：

首先，对获取的高清图像进行预处理，并识别高清图像中的猕猴桃叶片区域；

其次，根据识别结果截取高清图像中的猕猴桃叶片区域，做归一化处理，得到叶片归一化图像；

然后，将叶片归一化图像输入到猕猴桃叶片病害深度神经网络中，输出猕猴桃叶片有病害的概率以及猕猴桃叶片病害类别的分类概率；

最后，根据猕猴桃叶片病害深度神经网络的输出结果：猕猴桃叶片有病害的概率以及猕猴桃叶片病害类别的分类概率进行判决，得出判决结果；

所述对获取的高清图像进行预处理，调节高清图像的曝光，具体步骤如下：

首先计算图像整体亮度值；

其次若图像整体亮度值偏亮，即图像整体亮度值大于过度曝光门限值，通过调节图像的曝光，使得图像变暗，从而图像更清晰；若图像整体亮度值偏暗，即图像整体亮度值小于曝光不足门限值，通过调节图像的曝光，使得图像变量，从而图像更清晰；其余不做处理；

所述计算图像整体亮度值方法如下：

将高清图像的BGR格式转换为HSV格式；统计V通道的均值：

式中，W为高清图像的宽、H为高清图像的高、V_ij为高清图像HSV格式下V通道(i,j)位置的值，为图像整体亮度值；

所述调节图像的曝光的公式为：

式中，v为高清图像BGR格式下像素点在一个通道上的像素值，取值范围为[0,255]，为经过调整图像的曝光后的输出像素值；γ大于1，对高清图像曝光过大进行抑制，γ小于1，对高清图像曝光不足进行补偿；

所述识别高清图像中的猕猴桃叶片区域，采用叶片识别模型完成猕猴桃叶片区域的识别；所述叶片识别模型为采用SSD识别框架线下训练完成；

所述猕猴桃叶片病害深度神经网络采用ResNeXt网络结构，所述ResNeXt结构输入层为卷积层，输出层为Eltwise层；在Eltwise层后连接全链接层，作为对猕猴桃叶片是否有病害的分类；在Eltwise层后接两个卷积层和一个全链接层，作为对猕猴桃叶片的病害类别的分类；

所述根据猕猴桃叶片病害深度神经网络的输出结果：依据猕猴桃叶片有病害的概率判定是否有病害：若无，则输出无病害结果；若有病害，则依据猕猴桃叶片病害类别的分类概率进行判决，输出概率最大类别的病害类别结果；

所述一种猕猴桃叶片病害识别深度神经网络训练方法，可以包括：

首先，对高清图像进行预处理，并识别高清图像中的猕猴桃叶片区域；

其次，根据识别结果截取高清图像中的猕猴桃叶片区域，做归一化处理，得到叶片归一化图像；

接着，标注叶片归一化图像的正确分类标签；

然后，将叶片归一化图像和其正确分类标签输入到猕猴桃叶片病害深度神经网络中，训练得到猕猴桃叶片病害深度神经网络模型；

所述叶片归一化图像的正确分类标签为数据对(L₁,L₂)，表示对叶片有无病害的分类标签，L₂表示病害类型的类别标签；当L₁＝1时，表示存在病害，L₂标签有效，L₂标签默认为0；

所述猕猴桃叶片病害深度神经网络采用ResNeXt网络结构，所述ResNeXt结构输入层为卷积层，输出层为Eltwise层；在Eltwise层后连接全链接层选择softmax损失函数，作为对猕猴桃叶片是否有病害的分类；在Eltwise层后接两个卷积层和一个全链接层选择softmax损失函数，作为对猕猴桃叶片的病害类别的分类；

所述训练包括：

将叶片归一化图像输入到猕猴桃叶片病害深度神经网络的第一层卷积层完成卷积运算；

将得到的卷积运算结果输入到所述网络的下一级卷积层计算，至第N层卷积层完成卷积运算，由Eltwise层输出；

将Eltwise层输出特征送入全链接层，并利用正确分类标签的L₁进行softmax损失函数计算，得损失函数l₁；

将L₁＝1的叶片归一化图像的Eltwise层输出特征送入两个卷积层并连接全链接层和softmax损失函数，得损失函数l₂；

合并损失函数l₁、l₁，得到总损失函数l_all：

l_all＝λ₁l₁+λ₂l₂

式中，λ₁、λ₂分别为损失函数l₁、l₂对应的权重值；

最后由总损失函数l_all反向传播更新网络模型参数；

循环迭代上述过程，完成猕猴桃叶片病害深度神经网络模型训练。